DIPAKOMSI

Penerapan Metode Time Series Analysis Dalam Memprediksi Persediaan Pada Toko Thrifting Aashopofficial Berbasis Web

Erni Marlina — 2025-08-29

Toko Aashopofficial masih menggunakan cara konvensional untuk mendata persediaan barang thrifting. Dengan menggunakan cara manual ini pemilik usaha mengalami kesulitan mencatat persediaan barang. Untuk memudahkan pemilik toko dalam mengelola persediaan dengan menjaga ketersediaan stok secara optimal, melakukan pencatatan, penginputan persediaan barang, serta menyediakan laporan barang yang dibutuhkan dengan akurat agar sistem informasi pengelolaan persediaan ini berfungsi sesuai dengan kebutuhan pengguna. Time Series Analysis merupakan metode analisis data berbasis waktu yang digunakan untuk memprediksi tren persediaan berdasarkan pola historis, sehingga dapat membantu dalam pengambilan keputusan terkait restock barang guna menghindari kekurangan atau kelebihan stok. Dengan pendekatan ini, sistem dapat memberikan estimasi jumlah barang yang perlu disediakan berdasarkan tren permintaan dan pola musiman. Metode pengujian aplikasi yang digunakan yaitu Pengujian Black Box, ini dilakukan untuk mendeteksi secara menyeluruh fungsionalitas akan aplikasi yang dirancang dengan hasil yang didapatkan bahwa semua fungsi dari sistem, button, pengolahan data penilaian berjalan dengan baik tanpa error. Dengan adanya prediksi yang lebih akurat, sistem ini membantu dalam pengambilan keputusan terkait overstock barang, sehingga dapat mengurangi risiko kelebihan atau kekurangan stok.

Implementasi Machine Learning pada Sistem Rekomendasi E-Commerce UMKM Kerajinan Tangan

Sadly Syamsuddin — 2025-08-29

Usaha Mikro, Kecil, dan Menengah (UMKM) berperan penting dalam pertumbuhan ekonomi Indonesia, termasuk di Kota Makassar, yang merupakan pusat perdagangan di Indonesia Timur. Sektor UMKM kerajinan tangan di Makassar memberikan kontribusi signifikan dalam menciptakan lapangan kerja dan meningkatkan kesejahteraan. Namun, banyak UMKM kesulitan menjangkau konsumen dan mempromosikan produk secara efektif di era digital. Penelitian ini bertujuan mengimplementasikan sistem rekomendasi berbasis Machine Learning untuk meningkatkan penjualan UMKM kerajinan tangan di Makassar. Metode yang digunakan adalah Item-Based Collaborative Filteringuntuk menganalisis perilaku konsumen dan preferensi produk. Hasil penelitian menunjukkan bahwa sistem rekomendasi berbasis Machine Learning berhasil diterapkan pada platform e-commerce yang dikembangkan. Implementasi sistem rekomendasi diharapkan dapat menjadi solusi dalam mengatasi tantangan digitalisasi dan meningkatkan daya saing UMKM di pasar e-commerce.

Perancangan Sistem Informasi Penjualan Berbasis Web dengan Penerapan Algoritma Light Gradient Boosting Machine (Lightgbm) untuk Prediksi Pola Pembelian Konsumen

Ahyuna Ahyuna — 2025-08-29

Penelitian ini bertujuan untuk merancang sistem informasi penjualan berbasis web yang dilengkapi fitur prediksi pola pembelian konsumen menggunakan algoritma Light Gradient Boosting Machine (LightGBM). Sistem ini memungkinkan pengguna untuk mengelola data barang, supplier, dan transaksi penjualan secara digital, serta melakukan analisis data historis guna memprediksi perilaku pembelian konsumen di masa mendatang. Evaluasi sistem dilakukan melalui pengujian fungsionalitas menggunakan metode blackbox dan pengujian performa algoritma menggunakan metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), dan R-squared (R²). Hasil yang diperoleh menunjukkan nilai MAE sebesar 53.93, MSE sebesar 3,947.26, dan R² sebesar 0.79, yang mengindikasikan bahwa algoritma mampu memprediksi dengan cukup baik. Sistem ini diharapkan dapat membantu pelaku usaha dalam pengambilan keputusan terkait pengelolaan stok dan strategi pemasaran berbasis data.

Analisis Strategi Pemasaran Digital Dalam Memperluas Jangkauan Pemasaran Produk Toko Algifari Dengan Menggunakan K-Means

Anugra Anugra — 2025-08-29

Dalam era digital yang kompetitif, strategi pemasaran digital menjadi faktor utama dalam meningkatkan daya saing bisnis. Toko Algifari masih mengandalkan pemasaran tradisional dengan jangkauan terbatas dan tanpa pengelompokan data pelanggan. Memberikan rekomendasi strategi pemasaran digital yang tepat berdasarkan analisis pengelompokan K-means untuk memahami perilaku pembeli di suatu wilayah terhadap produk Toko Algifari. Data transaksi selama tiga bulan terakhir dianalisis menggunakan K-Means Clustering melalui RapidMiner, dengan jumlah kluster yang ditentukan sebanyak empat. Proses ini bertujuan mengidentifikasi pola belanja pelanggan guna menyesuaikan strategi pemasaran. Hasil analisis mengidentifikasi empat kluster utama pelanggan berdasarkan pola belanja dan lokasi, dengan kluster transaksi tertinggi menunjukkan kecenderungan pembelian produk tertentu dari wilayah geografis spesifik. Ditemukan korelasi antara lokasi pelanggan dan jumlah transaksi, di mana wilayah dengan akses mudah ke marketplace cenderung memiliki volume transaksi lebih tinggi, serta pelanggan yang sering membeli produk tertentu cenderung membeli produk tambahan dari kategori yang sama. Temuan ini mendukung efektivitas clustering dalam segmentasi pelanggan, membantu PELAKU USAHA mengoptimalkan pemasaran digital melalui promosi yang lebih spesifik. Penerapan algoritma K-Means terbukti efektif dalam membantu memahami pola belanja pelanggan dan meningkatkan jangkauan pemasaran digital. Kombinasi penggunaan marketplace dan media sosial menjadi strategi optimal dalam meningkatkan keterlibatan pelanggan dan daya saing bisnis.

Implementasi Metode KNN (K Nearestneighbors) untuk Memprediksi Penyakit Tanamankacang Tanah pada Desa Lonjoboko Kec. Parangloe Kab. Gowa

Putri Angrheny Aprilya — 2025-08-29

Petani di Desa Lonjoboko, Kec. Parangloe, Kab. Gowa kesulitan mendeteksi penyakit kacang tanah secara akurat karena masih menggunakan metode manual. Penelitian ini mengimplementasikan sistem berbasis web dengan K-Nearest Neighbors (KNN) untuk memprediksi penyakit tanaman kacang tanah. Dataset terdiri dari 50 sampel yang diklasifikasikan ke dalam kategori Cercospora, Sclerotium, Virus, Bacterial Wilt, dan Sehat.Pengujian menggunakan Confusion Matrix menunjukkan 100% akurasi untuk kelas Sclerotium, Bacterial Wilt, dan Sehat. Kelas Cercospora memiliki 100% precision, 80% recall, dan 89% F1-score, sedangkan kelas Virus memperoleh 50% precision, 100% recall, dan 67% F1-score. Hasil ini menunjukkan bahwa KNN (k=3) dapat mengklasifikasikan sebagian besar penyakit dengan baik, meskipun masih ada kelemahan dalam mendeteksi penyakit Virus. Sistem ini membantu petani mendeteksi penyakit lebih cepat dan akurat, meningkatkan produktivitas, serta mengurangi kesalahan penggunaan pestisida.